NVIDIA、欧州のAI言語の壁を打ち破るオープンソースツールを発表

人工知能が私たちの日常生活にますます浸透している一方で、その適用範囲は驚くほど限られたままです。AIシステムの大部分は、世界の7,000言語のうちごく一部でしか動作せず、世界中の何十億もの人々が十分なサービスを受けられていません。NVIDIAは今、この重大な言語のギャップ、特にヨーロッパにおいて、25の異なるヨーロッパ言語向けに高品質な音声AIを構築する開発者を支援するための強力なオープンソースツールのスイートをリリースすることで対処しています。この取り組みは、主要な言語だけでなく、クロアチア語、エストニア語、マルタ語など、大手テクノロジー企業に見過ごされがちな言語にも重要なサポートを提供します。

全体的な目標は、多くの人々が今や当たり前だと考えている、洗練された音声対応アプリケーションを開発者が作成できるようにすることです。これには、真の理解が可能な多言語チャットボット、効率的な顧客サービスボット、そしてコミュニケーションの隔たりを瞬時に埋めるリアルタイム翻訳サービスが含まれます。

この取り組みの中心にあるのが、人間の音声データの広範なライブラリであるGranaryです。約100万時間もの綿密にキュレーションされた音声で構成されるGranaryは、AIに音声認識と翻訳の複雑なニュアンスを教えるために設計されています。この膨大なデータセットを活用するために、NVIDIAは多様な言語タスクに特化した2つの新しいAIモデルも導入しました。Canary-1b-v2は、複雑な文字起こしや翻訳タスクで高い精度を発揮する堅牢なモデルであり、Parakeet-tdt-0.6b-v3は、処理速度が最重要となるリアルタイムアプリケーション向けに特別に設計されています。基礎となる科学的原理に興味がある方のために、Granaryに関する詳細な論文が今月オランダで開催されるInterspeech会議で発表される予定です。これらのツールの統合を開始したい開発者は、Hugging Face経由ですでにデータセットと両モデルにアクセスできます。

このプロジェクトにおける重要なブレークスルーは、Granaryの膨大なデータを作成するために使用された革新的な方法にあります。AIのトレーニングには膨大な量のデータが必要であることは有名ですが、従来その取得には時間と費用がかかり、しばしば退屈な人間のアノテーションが伴いました。これらの課題を回避するため、NVIDIAの音声AIチームは、カーネギーメロン大学とブルーノ・ケスラー財団の研究者と協力し、自動データパイプラインを開発しました。彼らは独自のNeMoツールキットを利用して、未加工のラベルなし音声を、AIモデルが容易に学習できる高品質で構造化されたデータに変換することに成功しました。

この自動化されたアプローチは、単なる技術的成果にとどまりません。それはデジタルインクルージョンへの大きな飛躍を示しています。これにより、リガやザグレブの開発者が、自身の地域言語を真に理解する音声対応AIツールを効率的に構築できるようになります。研究チームの発見は、Granaryデータの驚くべき有効性を強調しており、同等の目標精度レベルを達成するために、他の一般的なデータセットの約半分の量で済むことを示しています。

2つの新しいモデルのパフォーマンスは、この力をさらに示しています。Canaryは、サイズの3倍のモデルに匹敵する翻訳および文字起こし品質を印象的に提供し、かつ最大10倍高速に動作します。一方、Parakeetは、24分間の会議録音を1回のパスで難なく処理し、話されている言語を自動的に識別できます。両モデルは、句読点、大文字小文字の処理、および正確な単語レベルのタイムスタンプの提供にも十分洗練されており、これらはプロフェッショナルグレードのアプリケーションを開発するための不可欠な機能です。

これらの強力なツールとそれらを支える革新的な方法論を世界の開発者コミュニティに提供することで、NVIDIAは単に製品をリリースする以上のことを行っています。同社は積極的に新たなイノベーションの波を触媒し、出身地に関わらずAIが真にあなたの言語を話す未来を育んでいます。